CN115684940A - 一种锂电池健康状态评估方法 - Google Patents

Abstract

本发明公开一种锂电池健康状态评估方法，包括：S1、通过滑动窗口将完整充电阶段数据划分为若干个窗口数据；S2、建立长短期记忆网络与多层感知机的神经网络算法模型；S3、训练构建的所述神经网络算法模型；S4、针对待估计健康状态的电池T的不完整充电数据，该数据通过迁移学习与微调的方法训练已经通过已有数据训练完成的神经网络算法模型；S5、使用训练完成的长短期记忆网络与多层感知机的神经网络算法模型对充电曲线的下一采样点的电压进行预测；S6、利用补全的充电电压曲线，通过安时积分得到电池当前状态下完全充电后的充电容量。本发明的方法能够将不同长度的充点曲线补全，即能够通过不同长度的充电过程的数据实现对电池健康状态的估计。

Description

一种锂电池健康状态评估方法

技术领域

本发明涉及一种锂电池健康状态评估方法。

背景技术

锂离子电池(锂电池)因为其能量密度高，寿命长，稳定性强和对环境影响小的优点，已经被广泛应用于新能源汽车领域。在实际应用中，随着电池中锂离子沉积、SEI膜增厚和活性物质损失等，导致了电池老化和容量衰减，使汽车的续驶里程下降。通常情况下用电池健康状态(StateofHealth，SOH)来描述电池的衰退(老化)状态，基于容量的SOH定义为电池当前电池容量与初始容量的比值；SOH研究对电池的使用、维护和评估有很高价值，可为规划、政策和产业发展提供依据和参考，具有重要的意义。因为电池实际运行数据中包括众多类型的电池，难以获得统一的锂电池健康状态的表征参数，也难以获取实际运行电池的实验数据用以建立表征参数与SOH之间统一的映射关系。

发明内容

为解决以上现有技术存在的问题，本发明提出一种基于长短期记忆网络、迁移学习补全充电曲线的锂电池健康状态评估方法

本发明可通过以下技术方案予以实现：

一种基于长短期记忆网络、迁移学习补全充电曲线的锂电池健康状态评估方法，所述方法包括：

S1、根据现有大量不同电池S在完整充放电过程中记录的数据集，通过滑动窗口将完整充电阶段数据划分为若干个窗口数据；

S2、以一个窗口的电压、电流、温度为输入参数，该窗口的下一个采样点的电压为输出参数，建立长短期记忆网络与多层感知机的神经网络算法模型；

S3、根据已有的大量的电池S在不同温度、不同充电电流下的充电数据训练构建的神经网络算法模型；

S4、针对待估计健康状态的电池T的不完整充电数据，该数据通过迁移学习与微调的方法训练已经通过已有数据训练完成的神经网络算法模型，使该长短期记忆网络与多层感知机的神经网络算法模型在少量数据的情况下有效训练；

S5、使用训练完成的长短期记忆网络与多层感知机的神经网络算法模型对充电曲线的下一采样点的电压进行预测，将预测的电压与设定的电流、温度作为下一次预测的输入，以这种迭代预测的方式不断预测电压曲线上电压采样点，直到电压达到充电起始电压。实现补全充电电压曲线；

S6、利用补全的充电电压曲线，通过安时积分得到电池当前状态下完全充电后的充电容量，将当前状态下的充电容量与额定容量的比值作为电池的健康状态。

进一步地，所述步骤S1中，大量不同电池S的充电数据的采样频率需与待求电池T的采样频率一致，滑动窗口内的数据表示为[t，t+w]时间内的数据，其中t表示不同的采样时刻，w为窗口的长度。

进一步地，所述步骤s2中，输入为w×3的矩阵，即滑动窗口内w个采样点的电压、电流和温度数据，输出为滑动窗口的下一个采样点t+w+1时刻的电压，建立的神经网络类型为长短期神经网络与多层感知机相结合的神经网络，长短期神经网络的单元状态为C_t更新方程为：

其中f_t叫做遗忘门，表示C_t-1的哪些特征被用于计算C_t，f_t是一个向量，向量的每个元素均位于[0，1]范围内，

表示单元状态更新值，i_t叫做输入门，同f_t一样也是一个元素介于[0，1]区间内的向量，

其中：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

W_fb_fW_ib_iW_Cb_C为需要优化的系数，σ()为激活函数，h_t-1为t-1时刻隐节点的输出，

长短记忆网络的输出h_t为：

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)。

进一步地，所述步骤S3中，通过大量不同温度、不同充电电量的充电数据按照输入规则训练所建立的网络模型以更新迭代模型中W_fb_fW_ib_iW_Cb_CW_ob_o参数值，使神经网络的输出在可接受的误差范围内。

进一步地，所述步骤S4中，迁移学习具体方式为将已经通过大量电池S训练完成的网络模型固定大部分上层网络的参数，仅开放下层少量参数用于更新，将待估计的电池T的已有片段充电数据的电压、电流、温度作为训练数据，用于训练少量开放更新的参数，微调是指迁移学习完成后放开全部可更新参数，设置极低的学习率后，使用待估计的电池T的数据进行训练小幅度更新神经网络的全部参数。

进一步地，所述步骤S5中，预测过程从已有充电曲线的最后一个窗口的数据[t_e-w，t_e]开始作为输入，神经网络输出该窗口的下一个采样点的电压值

下一个采样点的电流延续上一时刻的电流值I_te+1＝I_te，下一个采样点的温度延续上一时刻的温度值T_te+1＝T_te，将

I_te+1，T_te+1添加到原来窗口的(w-1)×3维数据[t_e-w+1，t_e]的后方，重新组成w×3维数据作为预测

的输入数据，重复上述步骤，直至预测的电压V达到充电起始电压或者充电终止电压，实现整个充电电压曲线的预测。

有益效果

本发明提出了一种通过补全充电曲线的方式估计健康状态的方法，该方法能够将不同长度的充点曲线补全，即能够通过不同长度的充电过程的数据实现对电池健康状态的估计。另外，该方法不需要通过电池的老化试验数据标定选出的特征参数与健康状态的关系，能够直接估计电池的充电容量，用以估计健康状态。

附图说明

图1为整个评估方法的流程；

图2为长短期记忆网络神经结构示意图；

图3为算法流程；

图4为预测的电压曲线。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域的技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。

如图1所示，一种基于长短期记忆网络、迁移学习补全充电曲线的锂电池健康状态评估方法，所述方法包括：

S1、根据现有大量不同电池S在完整充放电过程中记录的数据集，通过滑动窗口将完整充电阶段数据划分为若干个窗口数据；

S2、以一个窗口的电压、电流、温度为输入参数，该窗口的下一个采样点的电压为输出参数，建立长短期记忆网络与多层感知机的神经网络算法模型；

S3、根据已有的大量的电池S在不同温度、不同充电电流下的充电数据训练构建的神经网络算法模型；

S4、针对待估计健康状态的电池T的不完整充电数据，该数据通过迁移学习与微调的方法训练已经通过已有数据训练完成的神经网络算法模型，使该长短期记忆网络与多层感知机的神经网络算法模型在少量数据的情况下有效训练；

S5、使用训练完成的长短期记忆网络与多层感知机的神经网络算法模型对充电曲线的下一采样点的电压进行预测，将预测的电压与设定的电流、温度作为下一次预测的输入，以这种迭代预测的方式不断预测电压曲线上电压采样点，直到电压达到充电起始电压。实现补全充电电压曲线；

S6、利用补全的充电电压曲线，通过安时积分得到电池当前状态下完全充电后的充电容量，将当前状态下的充电容量与额定容量的比值作为电池的健康状态。

进一步地，所述步骤S1中，大量不同电池S的充电数据的采样频率需与待求电池T的采样频率一致，滑动窗口内的数据表示为[t，t+w]时间内的数据，其中t表示不同的采样时刻，w为窗口的长度。

其中，所述步骤S2中，输入为w×3的矩阵，即滑动窗口内w个采样点的电压、电流和温度数据，输出为滑动窗口的下一个采样点t+w+1时刻的电压，建立的神经网络类型为长短期神经网络与多层感知机相结合的神经网络，长短期记忆网络神经结构如图2所示，长短期神经网络的单元状态为Ct更新方程为：

其中f_t叫做遗忘门，表示C_t-1的哪些特征被用于计算C_t，f_t是一个向量，向量的每个元素均位于[0，1]范围内，

表示单元状态更新值，i_t叫做输入门，同f_t一样也是一个元素介于[0，1]区间内的向量，

其中：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

W_fb_fW_ib_iW_Cb_C为需要优化的系数，σ()为激活函数，h_t-1为t-1时刻隐节点的输出，

长短记忆网络的输出h_t为：

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)。

其中，所述步骤S3中，通过大量不同温度、不同充电电量的充电数据按照输入规则训练所建立的网络模型以更新迭代模型中W_fb_fW_ib_iW_Cb_CW_ob_o参数值，使神经网络的输出在可接受的误差范围内。

其中，所述步骤S4中，迁移学习具体方式为将已经通过大量电池S训练完成的网络模型固定大部分上层网络的参数，仅开放下层少量参数用于更新，将待估计的电池T的已有片段充电数据的电压、电流、温度作为训练数据，用于训练少量开放更新的参数，微调是指迁移学习完成后放开全部可更新参数，设置极低的学习率后，使用待估计的电池T的数据进行训练小幅度更新神经网络的全部参数。

其中，所述步骤S5中，预测过程如图3所示，预测过程从已有充电曲线的最后一个窗口的数据[t_e-w，t_e]开始作为输入，神经网络输出该窗口的下一个采样点的电压值

下一个采样点的电流延续上一时刻的电流值I_te+1＝I_te，下一个采样点的温度延续上一时刻的温度值T_te+1＝T_te，将

I_te+1，T_te+1添加到原来窗口的(w-1)×3维数据[t_e-w+1，t_e]的后方，重新组成w×3维数据作为预测

的网络模型的输入数据，重复上述步骤，直至预测的电压V达到充电起始电压或者充电终止电压，实现整个充电电压曲线的预测，如图4所示，为预测的电压曲线。得到预测的整个充电曲线的全部采样点的电压、电流和温度后，对电流与时间进行累计即得到整个充电过程累计的充电电量，累计的充电电量与额定容量的比值即为估计的健康状态。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种锂电池健康状态评估方法，其特征在于，所述方法包括：

S1、根据现有大量不同电池S在完整充放电过程中记录的数据集，通过滑动窗口将完整充电阶段数据划分为若干个窗口数据；

S2、以一个窗口的电压、电流、温度为输入参数，该窗口的下一个采样点的电压为输出参数，建立长短期记忆网络与多层感知机的神经网络算法模型；

S3、根据已有的大量的电池S在不同温度、不同充电电流下的充电数据训练构建的所述神经网络算法模型；

S4、针对待估计健康状态的电池T的不完整充电数据，该数据通过迁移学习与微调的方法训练已经通过已有数据训练完成的神经网络算法模型，使该长短期记忆网络与多层感知机的神经网络算法模型在少量数据的情况下有效训练；

S5、使用训练完成的长短期记忆网络与多层感知机的神经网络算法模型对充电曲线的下一采样点的电压进行预测，将预测的电压与设定的电流、温度作为下一次预测的输入，以这种迭代预测的方式不断预测电压曲线上电压采样点，直到电压达到充电起始电压，实现补全充电电压曲线；

S6、利用补全的充电电压曲线，通过安时积分得到电池当前状态下完全充电后的充电容量，将当前状态下的充电容量与额定容量的比值作为电池的健康状态。

2.根据权利要求1所述的一种锂电池健康状态评估方法，其特征在于，

所述步骤S1中，大量不同电池S的充电数据的采样频率需与待求电池T的采样频率一致，滑动窗口内的数据表示为[t,t+w]时间内的数据，其中t表示不同的采样时刻，w为窗口的长度。

3.根据权利要求1所述的一种锂电池健康状态评估方法，其特征在于，

所述步骤S2中，输入为w×3的矩阵，即滑动窗口内w个采样点的电压、电流和温度数据，输出为滑动窗口的下一个采样点t+w+1时刻的电压，建立的神经网络类型为长短期神经网络与多层感知机相结合的神经网络，长短期神经网络的单元状态为Ct更新方程为：

其中f_t叫做遗忘门，表示C_t-1的哪些特征被用于计算C_t，f_t是一个向量，向量的每个元素均位于[0,1]范围内，

表示单元状态更新值，i_t叫做输入门，同f_t一样也是一个元素介于[0,1]区间内的向量；

其中：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

W_fb_fW_ib_iW_Cb_C为需要优化的系数，σ()为激活函数,h_t-1为t-1时刻隐节点的输出；

长短记忆网络的输出h_t为：

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)。

4.根据权利要求1所述的一种锂电池健康状态评估方法，其特征在于，所述步骤S3中，通过大量不同温度、不同充电电量的充电数据按照输入规则训练所建立的网络模型以更新迭代模型中W_fb_fW_ib_iW_Cb_CW_ob_o参数值，使神经网络的输出在可接受的误差范围内。

5.根据权利要求1所述的一种锂电池健康状态评估方法，其特征在于，所述步骤S4中，迁移学习具体方式为将已经通过大量电池S训练完成的网络模型固定大部分上层网络的参数，仅开放下层少量参数用于更新，将待估计的电池T的已有片段充电数据的电压、电流、温度作为训练数据，用于训练少量开放更新的参数；微调是指迁移学习完成后放开全部可更新参数，设置极低的学习率后，使用待估计的电池T的数据进行训练小幅度更新神经网络的全部参数。

6.根据权利要求1所述的一种锂电池健康状态评估方法，其特征在于，所述步骤S5中，预测过程从已有充电曲线的最后一个窗口的数据[t_e-w，t_e]开始作为输入，神经网络输出该窗口的下一个采样点的电压值

下一个采样点的电流延续上一时刻的电流值I_te+1＝I_te，下一个采样点的温度延续上一时刻的温度值T_te+1＝T_te，将

I_te+1，T_te+1添加到原来窗口的(w-1)×3维数据[t_e-w+1，t_e]的后方，重新组成w×3维数据作为预测

的输入数据，重复上述步骤，直至预测的电压V达到充电起始电压或者充电终止电压，实现整个充电电压曲线的预测。

Images